超越帧级跟踪：基于轨迹的高效点云跟踪范式
计算机视觉与模式识别
2026-03-17 v3 人工智能
机器人学
摘要
LiDAR 基于的 3D 单目物体跟踪（3D SOT）是机器人和自动驾驶系统中的关键任务。现有方法通常遵循帧级运动估计或序列化方法。然而，两帧方法高效但缺乏长期时间上下文，在稀疏或遮挡场景中较为脆弱，而序列化方法虽能处理多个点云从而提高鲁棒性，但计算成本显著增加。为解决这一困境，我们提出一种新颖的轨迹基范式及其实现方法——TrajTrack。TrajTrack 是一个轻量级框架，通过隐式地从历史边界框轨迹中学习运动连续性来增强基础的两帧跟踪器，而无需额外的、昂贵的点云输入。它首先生成快速的显式运动提案，然后使用隐式运动建模模块预测未来轨迹，以此 refine and 纠正初始提案。在大型 NuScenes 基准测试上进行了广泛实验，表明 TrajTrack 实现了新的状态-of-the-art 性能，跟踪精度比强大的基线提高了 3.02%，同时以 55 FPS 的速度运行。此外，我们还展示了 TrajTrack 在不同基础跟踪器之间的强大通用性。代码已公开于 https://github.com/FiBonaCci225/TrajTrack。
引用
@article{arxiv.2509.11453,
title = {Beyond Frame-wise Tracking: A Trajectory-based Paradigm for Efficient Point Cloud Tracking},
author = {BaiChen Fan and Yuanxi Cui and Jian Li and Qin Wang and Shibo Zhao and Muqing Cao and Sifan Zhou},
journal= {arXiv preprint arXiv:2509.11453},
year = {2026}
}
备注
Acceptted in ICRA 2026